一口气说出 4种 LBS “附近的人” 实现方式,面试官笑了

标签: tuicool | 发表时间:2020-04-16 00:00 | 作者:
出处:http://itindex.net/relian

引言

昨天一位公众号粉丝和我讨论了一道面试题,个人觉得比较有意义,这里整理了一下分享给大家,愿小伙伴们面试路上少踩坑。面试题目比较简单:“让你实现一个附近的人功能,你有什么方案?”,这道题其实主要还是考察大家对于技术的广度,本文介绍几种方案,给大家一点思路,避免在面试过程中语塞而影响面试结果,如有不严谨之处,还望亲人们温柔指正!

“附近的人”功能生活中是比较常用的,像外卖app附近的餐厅,共享单车app里附近的车辆。既然常用面试被问的概率就很大,所以下边依次来分析基于 mysql数据库RedisMongoDB实现的 “附近的人” 功能。

科普:世界上标识一个位置,通用的做法就使用经、纬度。经度的范围在 (-180, 180],纬度的范围 在(-90, 90],纬度正负以赤道为界,北正南负,经度正负以本初子午线 (英国格林尼治天文台) 为界,东正西负。比如:望京摩托罗拉大厦的经、纬度(116.49141,40.01229)全是正数,就是因为我国位于东北半球。

一、“附近的人”原理

“附近的人”也就是常说的 LBS(Location Based Services,基于位置服务),它围绕用户当前地理位置数据而展开的服务,为用户提供精准的增值服务。

“附近的人” 核心思想如下:

  1. 以 “我” 为中心,搜索附近的用户

  2. 以 “我” 当前的地理位置为准,计算出别人和 “我” 之间的距离

  3. 按 “我” 与别人距离的远近排序,筛选出离我最近的用户或者商店等

二、什么是GeoHash算法?

在说 “附近的人”功能的具体实现之前,先来认识一下 GeoHash算法,因为后边会一直和它打交道。定位一个位置最好的办法就是用 经、纬度标识,但 经、纬度它是二维的,在进行位置计算的时候还是很麻烦,如果能通过某种方法将二维的 经、纬度数据转换成一维的数据,那么比较起来就要容易的多,因此 GeoHash算法应运而生。

GeoHash算法将二维的经、纬度转换成一个字符串,例如:下图中9个 GeoHash字符串代表了9个区域,每一个字符串代表了一矩形区域。而这个矩形区域内其他的点(经、纬度)都用同一个 GeoHash字符串表示。

比如: WX4ER区域内的用户搜索附近的餐厅数据,由于这区域内用户的 GeoHash字符串都是 WX4ER,故可以把 WX4ER当作 key,餐厅信息作为 value进行缓存;而如果不使用 GeoHash算法,区域内的用户请求餐厅数据,用户传来的经、纬度都是不同的,这样缓存不仅麻烦且数据量巨大。

GeoHash字符串越长,表示的位置越精确,字符串长度越长代表在距离上的误差越小。下图 geohash码精度表:

geohash码长度 宽度 高度
1 5,009.4km 4,992.6km
2 1,252.3km 624.1km
3 156.5km 156km
4 39.1km 19.5km
5 4.9km 4.9km
6 1.2km 609.4m
7 152.9m 152.4m
8 38.2m 19m
9 4.8m 4.8m
10 1.2m 59.5cm
11 14.9cm 14.9cm
12 3.7cm 1.9cm

而且字符串越相似表示距离越相近,字符串前缀匹配越多的距离越近。比如:下边的经、纬度就代表了三家距离相近的餐厅。

商户 经纬度 Geohash字符串
串串香 116.402843,39.999375 wx4er9v
火锅 116.3967,39.99932 wx4ertk
烤肉 116.40382,39.918118 wx4erfe

让大家简单了解什么是 GeoHash算法,方便后边内容展开, GeoHash算法内容比较高深,感兴趣的小伙伴自行深耕一下,这里不占用过多篇幅(其实是我懂得太肤浅,哭唧唧~)。

三、基于Mysql

此种方式是纯基于 mysql实现的,未使用 GeoHash算法。

1、设计思路

以用户为中心,假设给定一个500米的距离作为半径画一个圆,这个圆型区域内的所有用户就是符合用户要求的 “附近的人”。但有一个问题是圆形有弧度啊,直接搜索圆形区域难度太大,根本无法用经、纬度直接搜索。

但如果在圆形外套上一个正方形,通过获取用户经、纬度的最大最小值(经、纬度 + 距离),再根据最大最小值作为筛选条件,就很容易将正方形内的用户信息搜索出来。

那么问题又来了, 多出来一些面积肿么办?

我们来分析一下,多出来的这部分区域内的用户,到圆点的距离一定比圆的半径要大,那么我们就计算用户中心点与正方形内所有用户的距离,筛选出所有距离小于等于半径的用户,圆形区域内的所用户即符合要求的 “附近的人”

2、利弊分析

纯基于 mysql实现 “附近的人”,优点显而易见就是简单,只要建一张表存下用户的经、纬度信息即可。缺点也很明显,需要大量的计算两个点之间的距离,非常影响性能。

3、实现

创建一个简单的表用来存放用户的经、纬度属性。

CREATE TABLE `nearby_user` (
  `id` int(11) NOT NULL AUTO_INCREMENT,
  `name` varchar(255) DEFAULT NULL COMMENT '名称',
  `longitude` double DEFAULT NULL COMMENT '经度',
  `latitude` double DEFAULT NULL COMMENT '纬度',
  `create_time` datetime DEFAULT NULL ON UPDATE CURRENT_TIMESTAMP COMMENT '创建时间',
  PRIMARY KEY (`id`)
) ENGINE=InnoDB DEFAULT CHARSET=utf8mb4;

计算两个点之间的距离,用了一个三方的类库,毕竟自己造的轮子不是特别圆,还有可能是方的,啊哈哈哈~

<dependency>
     <groupId>com.spatial4j</groupId>
     <artifactId>spatial4j</artifactId>
     <version>0.5</version>
</dependency>

获取到外接正方形后,以正方形的最大最小经、纬度值搜索正方形区域内的用户,再剔除超过指定距离的用户,就是最终的 附近的人

private SpatialContext spatialContext = SpatialContext.GEO;    
	
	/**
     * 获取附近 x 米的人
     *
     * @param distance 搜索距离范围 单位km
     * @param userLng  当前用户的经度
     * @param userLat  当前用户的纬度
     */
    @GetMapping("/nearby")
    public String nearBySearch(@RequestParam("distance") double distance,
                               @RequestParam("userLng") double userLng,
                               @RequestParam("userLat") double userLat) {
        //1.获取外接正方形
        Rectangle rectangle = getRectangle(distance, userLng, userLat);
        //2.获取位置在正方形内的所有用户
        List<User> users = userMapper.selectUser(rectangle.getMinX(), rectangle.getMaxX(), rectangle.getMinY(), rectangle.getMaxY());
        //3.剔除半径超过指定距离的多余用户
        users = users.stream()
            .filter(a -> getDistance(a.getLongitude(), a.getLatitude(), userLng, userLat) <= distance)
            .collect(Collectors.toList());
        return JSON.toJSONString(users);
    }
    
    private Rectangle getRectangle(double distance, double userLng, double userLat) {
        return spatialContext.getDistCalc()
            .calcBoxByDistFromPt(spatialContext.makePoint(userLng, userLat), 
                                 distance * DistanceUtils.KM_TO_DEG, spatialContext, null);
    }

由于用户间距离的排序是在业务代码中实现的,可以看到SQL语句也非常的简单。

<select id="selectUser" resultMap="BaseResultMap">
        SELECT * FROM user
        WHERE 1=1
        and (longitude BETWEEN ${minlng} AND ${maxlng})
        and (latitude BETWEEN ${minlat} AND ${maxlat})
    </select>

四、Mysql + GeoHash

1、设计思路

这种方式的设计思路更简单,在存用户位置信息时,根据用户经、纬度属性计算出相应的 geohash字符串。 注意:在计算 geohash字符串时,需要指定 geohash字符串的精度,也就是 geohash字符串的长度, 参考上边的 geohash精度表

当需要获取 附近的人,只需用当前用户 geohash字符串,数据库通过 WHERE geohash Like 'geocode%' 来查询 geohash字符串相似的用户,然后计算当前用户与搜索出的用户距离,筛选出所有距离小于等于指定距离(附近500米)的,即 附近的人

2、利弊分析

利用 GeoHash算法实现 “附近的人”有一个问题,由于 geohash算法将地图分为一个个矩形,对每个矩形进行编码,得到 geohash字符串。可我当前的点与邻近的点很近,但恰好我们分别在两个区域,明明就在眼前的点偏偏搜不到,实实在在的灯下黑。

如何解决这一问题?

为了避免类似邻近两点在不同区域内,我们就需要同时获取当前点( WX4G0)所在区域附近 8个区域的 geohash码,一并进行筛选比较。

3、实现

同样要设计一张表存用户的经、纬度信息,但区别是要多一个 geo_code字段,存放geohash字符串,此字段通过用户经、纬度属性计算出。使用频繁的字段建议加上索引。

CREATE TABLE `nearby_user_geohash` (
  `id` int(11) NOT NULL AUTO_INCREMENT,
  `name` varchar(255) DEFAULT NULL COMMENT '名称',
  `longitude` double DEFAULT NULL COMMENT '经度',
  `latitude` double DEFAULT NULL COMMENT '纬度',
  `geo_code` varchar(64) DEFAULT NULL COMMENT '经纬度所计算的geohash码',
  `create_time` datetime DEFAULT NULL ON UPDATE CURRENT_TIMESTAMP COMMENT '创建时间',
  PRIMARY KEY (`id`),
  KEY `index_geo_hash` (`geo_code`)
) ENGINE=InnoDB DEFAULT CHARSET=utf8mb4;

首先根据用户经、纬度信息,在指定精度后计算用户坐标的 geoHash码,再获取到用户周边8个方位的 geoHash码在数据库中搜索用户,最后过滤掉超出给定距离(500米内)的用户。

private SpatialContext spatialContext = SpatialContext.GEO;

    /***
     * 添加用户
     * @return
     */
    @PostMapping("/addUser")
    public boolean add(@RequestBody UserGeohash user) {
        //默认精度12位
        String geoHashCode = GeohashUtils.encodeLatLon(user.getLatitude(),user.getLongitude());
        return userGeohashService.save(user.setGeoCode(geoHashCode).setCreateTime(LocalDateTime.now()));
    }


/**
     * 获取附近指定范围的人
     *
     * @param distance 距离范围(附近多远的用户) 单位km
     * @param len      geoHash的精度(几位的字符串)
     * @param userLng  当前用户的经度
     * @param userLat  当前用户的纬度
     * @return json
     */
    @GetMapping("/nearby")
    public String nearBySearch(@RequestParam("distance") double distance,
                               @RequestParam("len") int len,
                               @RequestParam("userLng") double userLng,
                               @RequestParam("userLat") double userLat) {


        //1.根据要求的范围,确定geoHash码的精度,获取到当前用户坐标的geoHash码
        GeoHash geoHash = GeoHash.withCharacterPrecision(userLat, userLng, len);
        //2.获取到用户周边8个方位的geoHash码
        GeoHash[] adjacent = geoHash.getAdjacent();

        QueryWrapper<UserGeohash> queryWrapper = new QueryWrapper<UserGeohash>()
            .likeRight("geo_code",geoHash.toBase32());
        Stream.of(adjacent).forEach(a -> queryWrapper.or().likeRight("geo_code",a.toBase32()));

        //3.匹配指定精度的geoHash码
        List<UserGeohash> users = userGeohashService.list(queryWrapper);
        //4.过滤超出距离的
        users = users.stream()
                .filter(a ->getDistance(a.getLongitude(),a.getLatitude(),userLng,userLat)<= distance)
                .collect(Collectors.toList());
        return JSON.toJSONString(users);
    }

    
    /***
     * 球面中,两点间的距离
     * @param longitude 经度1
     * @param latitude  纬度1
     * @param userLng   经度2
     * @param userLat   纬度2
     * @return 返回距离,单位km
     */
    private double getDistance(Double longitude, Double latitude, double userLng, double userLat) {
        return spatialContext.calcDistance(spatialContext.makePoint(userLng, userLat),
                spatialContext.makePoint(longitude, latitude)) * DistanceUtils.DEG_TO_KM;
    }

五、Redis + GeoHash

Redis 3.2版本以后,基于 geohash和数据结构 Zset提供了地理位置相关功能。通过上边两种 mysql的实现方式发现, 附近的人功能是明显的读多写少场景,所以用 redis性能更会有很大的提升。

1、设计思路

redis实现 附近的人功能主要通过 Geo模块的六个命令。

GEOADD
GEOPOS
GEODIST
GEOHASH
GEORADIUS
GEORADIUSBYMEMBER

GEOADD命令和 GEORADIUS命令简单举例:

GEOADD key longitude latitude member [longitude latitude member ...]

其中, key为集合名称, member为该经纬度所对应的对象。

GEOADD添加多个商户“火锅店”位置信息:

GEOADD hotel 119.98866180732716	30.27465803229662 火锅店

GEORADIUS根据给定的经纬度为中心,获取目标集合中与中心的距离不超过给定最大距离(500米内)的所有位置对象,也就是 “附近的人”

GEORADIUS key longitude latitude radius m|km|ft|mi [WITHCOORD] [WITHDIST] [WITHHASH] [ASC|DESC] [COUNT count] [STORE key] [STORedisT key]

范围单位: m| km| ft| mi--> 米 | 千米 | 英尺 | 英里。

WITHDIST
WITHCOORD
WITHHASH
ASC | DESC
COUNT count
STORE key
STORedisT key

例如下边命令:获取当前位置周边500米内的所有饭店。

GEORADIUS hotel 119.98866180732716	30.27465803229662 500 m WITHCOORD

Redis内部使用有序集合( zset)保存用户的位置信息, zset中每个元素都是一个带位置的对象,元素的 score值为通过经、纬度计算出的52位 geohash值。

2、利弊分析

redis实现 附近的人效率比较高,集成也比较简单,而且还支持对距离排序。不过,结果存在一定的误差,要想让结果更加精确,还需要手动将用户中心位置与其他用户位置计算距离后,再一次进行筛选。

3、实现

以下就是 Java redis实现版本,代码非常的简洁。

@Autowired
    private RedisTemplate<String, Object> redisTemplate;
	
	//GEO相关命令用到的KEY
    private final static String KEY = "user_info";

    public boolean save(User user) {
        Long flag = redisTemplate.opsForGeo().add(KEY, new RedisGeoCommands.GeoLocation<>(
                user.getName(), 
                new Point(user.getLongitude(), user.getLatitude()))
        );
        return flag != null && flag > 0;
    }

    /**
     * 根据当前位置获取附近指定范围内的用户
     * @param distance 指定范围 单位km ,可根据{@link org.springframework.data.geo.Metrics} 进行设置
     * @param userLng 用户经度
     * @param userLat 用户纬度
     * @return
     */
    public String nearBySearch(double distance, double userLng, double userLat) {
        List<User> users = new ArrayList<>();
        // 1.GEORADIUS获取附近范围内的信息
        GeoResults<RedisGeoCommands.GeoLocation<Object>> reslut = 
            redisTemplate.opsForGeo().radius(KEY, 
                        new Circle(new Point(userLng, userLat), new Distance(distance, Metrics.KILOMETERS)),
                        RedisGeoCommands.GeoRadiusCommandArgs.newGeoRadiusArgs()
                                .includeDistance()
                                .includeCoordinates().sortAscending());
        //2.收集信息,存入list
        List<GeoResult<RedisGeoCommands.GeoLocation<Object>>> content = reslut.getContent();
        //3.过滤掉超过距离的数据
        content.forEach(a-> users.add(
                new User().setDistance(a.getDistance().getValue())
                .setLatitude(a.getContent().getPoint().getX())
                .setLongitude(a.getContent().getPoint().getY())));
        return JSON.toJSONString(users);
    }

六、MongoDB + 2d索引

1、设计思路

MongoDB实现附近的人,主要是通过它的两种地理空间索引 2dsphere2d。 两种索引的底层依然是基于 Geohash来进行构建的。但与国际通用的 Geohash还有一些不同,具体参考 官方文档

2dsphere索引仅支持球形表面的几何形状查询。

2d索引支持平面几何形状和一些球形查询。虽然 2d索引支持某些球形查询,但 2d索引对这些球形查询时,可能会出错。所以球形查询尽量选择 2dsphere索引。

尽管两种索引的方式不同,但只要坐标跨度不太大,这两个索引计算出的距离相差几乎可以忽略不计。

2、实现

首先插入一批位置数据到 MongoDBcollection为起名 hotel,相当于 MySQL的表名。两个字段 name名称, location为经、纬度数据对。

db.hotel.insertMany([
 {'name':'hotel1',  location:[115.993121,28.676436]},
 {'name':'hotel2',  location:[116.000093,28.679402]},
 {'name':'hotel3',  location:[115.999967,28.679743]},
 {'name':'hotel4',  location:[115.995593,28.681632]},
 {'name':'hotel5',  location:[115.975543,28.679509]},
 {'name':'hotel6',  location:[115.968428,28.669368]},
 {'name':'hotel7',  location:[116.035262,28.677037]},
 {'name':'hotel8',  location:[116.024770,28.68667]},
 {'name':'hotel9',  location:[116.002384,28.683865]},
 {'name':'hotel10', location:[116.000821,28.68129]},
])

接下来我们给 location字段创建一个 2d索引,索引的精度通过 bits来指定, bits越大,索引的精度就越高。

db.coll.createIndex({'location':"2d"}, {"bits":11111})

geoNear命令测试一下, near当前坐标(经、纬度), spherical是否计算球面距离, distanceMultiplier地球半径,单位是米,默认6378137, maxDistance过滤条件(指定距离内的用户),开启弧度需除 distanceMultiplierdistanceField计算出的两点间距离,字段别名(随意取名)。

db.hotel.aggregate({
    $geoNear:{
        near: [115.999567,28.681813], // 当前坐标
        spherical: true, // 计算球面距离
        distanceMultiplier: 6378137, // 地球半径,单位是米,那么的除的记录也是米
        maxDistance: 2000/6378137, // 过滤条件2000米内,需要弧度
        distanceField: "distance" // 距离字段别名
    }
})

看到结果中有符合条件的数据,还多出一个字段 distance刚才设置的别名,代表两点间的距离。

{ "_id" : ObjectId("5e96a5c91b8d4ce765381e58"), "name" : "hotel10", "location" : [ 116.000821, 28.68129 ], "distance" : 135.60095397487655 }
{ "_id" : ObjectId("5e96a5c91b8d4ce765381e51"), "name" : "hotel3", "location" : [ 115.999967, 28.679743 ], "distance" : 233.71915803517447 }
{ "_id" : ObjectId("5e96a5c91b8d4ce765381e50"), "name" : "hotel2", "location" : [ 116.000093, 28.679402 ], "distance" : 273.26317035334176 }
{ "_id" : ObjectId("5e96a5c91b8d4ce765381e57"), "name" : "hotel9", "location" : [ 116.002384, 28.683865 ], "distance" : 357.5791936927476 }
{ "_id" : ObjectId("5e96a5c91b8d4ce765381e52"), "name" : "hotel4", "location" : [ 115.995593, 28.681632 ], "distance" : 388.62555058249967 }
{ "_id" : ObjectId("5e96a5c91b8d4ce765381e4f"), "name" : "hotel1", "location" : [ 115.993121, 28.676436 ], "distance" : 868.6740526419927 }

总结

本文重点并不是在具体实现,旨在给大家提供一些设计思路,面试中可能你对某一项技术了解的并不深入,但如果你的知识面宽,可以从多方面说出多种设计的思路,能够侃侃而谈,那么会给面试官极大的好感度,拿到offer的概率就会高很多。而且 “附近的人”功能使用的场景比较多,尤其是像电商平台应用更为广泛,所以想要进大厂的同学,这类的知识点还是应该有所了解的。

代码实现借鉴了一位大佬的开源项目,这里有前三种实现方式的demo,感兴趣的小伙伴可以学习一下,GitHub地址: https://github.com/larscheng/larscheng-learning-demo/tree/master/NearbySearch,。

小福利:

最近身边很多小伙伴都在面试,我整了一些Java方面的架构、面试资料,还有一些付费课程 ,嘘~, 免费送给小伙伴们。需要的小伙伴可以关注我的公号,回复【 666】,无套路自行领取

相关 [口气 lbs 面试] 推荐:

一口气说出 4种 LBS “附近的人” 实现方式,面试官笑了

- - IT瘾-tuicool
昨天一位公众号粉丝和我讨论了一道面试题,个人觉得比较有意义,这里整理了一下分享给大家,愿小伙伴们面试路上少踩坑. 面试题目比较简单:“让你实现一个附近的人功能,你有什么方案. ”,这道题其实主要还是考察大家对于技术的广度,本文介绍几种方案,给大家一点思路,避免在面试过程中语塞而影响面试结果,如有不严谨之处,还望亲人们温柔指正.

LBS第二战

- - 《商业价值》杂志
LBS加速了传统世界的互联网化,而其中所蕴含的巨大价值,使得大众点评、高德、腾讯、百度、阿里等原本完全不同的公司,围绕相同的战略目标发起战争. 2012年10月初,百度正式将地图部门拆分,成为独立的LBS事业部,与百度移动·云事业部一起成为百度移动互联网战略中并行的两个部门. 据百度董事长兼CEO李彦宏在第3季度财报会议上披露,百度地图用户已经达到7700万,在新成立的事业部中,还有一系列百度身边、百度路况等一系列基于LBS(Location Based Service,位置服务)的应用.

LBS 已兴,Context Awareness 未起

- - 爱范儿 · Beats of Bits
搜索一下 App Store 我们能发现,很多应用也承诺了以上的功能,可是当下载下来一看,就总会有这样那样的失望. 我们的智能手机虽然被冠了智能的名字,可还无法有效的感知我们人造的大千世界. 与此同时,被期以厚望的各个纯 LBS 应用,也正在遭遇憧憬破灭的尴尬. 徽章图像越做越精美,能吸引到去点击的用户也寥寥;网上的签到看去有点热闹,可也不能打动店家的腰包;对了,我们还可以摇一摇.

LBS 还能怎么玩?

- - 极客公园-GeekPark
主职写黄书,副业做挨踢,业余时间做一名电子商务专业的本科生. [核心提示]单纯的拘泥于移动特性开发 LBS 产品也许并非是唯一的出路,让我们一块来看看 LBS 还能怎么玩. 基于移动应用的 LBS(Location Based Service 位置服务)社区似乎已经过了白热化的阶段,越来越多同质化无特色的 LBS 社区因为用户活跃度不高或者是盈利模式不明确逐渐的退出了这块市场.

手机LBS位置服务盘点

- bluesnail - 月光博客
  位置服务(LBS,Location Based Services)指的是通过移动终端和移动网络的配合,确定移动用户的实际地理位置,从而提供用户与位置相关的服务信息.   在美国,Foursquare为代表的以用户主动签到(check-in)为核心的位置签到服务(Location Check-in Service)重新定义了位置服务的内涵,掀起了新一轮移动互联网产业发展热潮,即以位置签到为核心的垂直型位置签到服务企业快速涌现并迅速发展,国内社交网站和微博服务提供商也纷纷更新移动互联网产品,以下月光博客将对国内外较为知名的位置服务进行一些盘点.

中国 LBS 网站牌照之痛

- Riku - 康国平-艺术解放人民
在互联网领域,特别是中文互联网领域,我最最讨厌牌照,发牌,审批,管制,申请诸如此类的词. 因为一旦涉及到这几个词,就必然存在着腐败、竞争壁垒、暗箱操作,以及不当竞争,使坏. 这些词,相对应的也就有了突然死亡、关门、撤资、裁员、压制创新和企业倒闭等等新闻出现. 刚刚,有从事LBS行业的朋友,发来一条新闻链接, 《7月1日牌照大限 互联网地图监管“紧箍咒”》让我预测一个事情,街旁网jiepang.com在7月1日大限之前,到底能否拿到所谓的互联网地图牌照,街旁这类LBS网站,如果,万一没拿到牌照,到底还能否经营得下去.

BlindSquare:利用 LBS 数据帮助盲人

- - 爱范儿 · Beats of Bits
最近 Foursquare 积累了数量庞大的真实地理位置数据,它拥有 2000 万名用户以及 20 亿次签到. 这些数据不但可以 帮助商户掘金,还可以帮助盲人导航. iOS 应用 BlindSquare 利用 Open Street Maps 来定位用户的位置,然后通过 Foursquare 的数据找出附近有什么地方,再通过苹果内置的 VoiceOver 或 Acapela Group 提供的文本转声音服务,将地名读出来,好让用户知晓,这样便为盲人创建了一个由语音构成的地图.

LBS新应用:地理围栏技术

- - 标点符
认识 Geo-fencing 之前,我们首先来了解 GPS 技术. 卫星定位技术从 1958 年开始研制,到 1994 年全球定位系统(GPS) 24 颗卫星完成覆盖全球 98% 区域,GPS 技术成熟. 但是如何使用 GPS,却是需要技术以外的认知. 而这个认知领域,包括市场分析及用户行为分析,用户交互体验设计等等.

18.app后端如何实现LBS

- - CSDN博客推荐文章
移动互联网,除了一直在线这个特点外,还有一个重要特点,能定位到手机的位置. 查找附近的人,附近的餐馆等服务,以及大量的o2o应用, 都需要使用LBS(Location Based Services). 1.如何获取用户的地理坐标.   现在,基于手机来获取用户的地理坐标,主要是下面两种方法:.   (1)使用手机上的GPS模块.

12个值得关注的LBS营销案例

- 稻草 - SocialBeta
最近在微博上看到不少lbs相关的产品和营销案例,本文就整理了最近一段时间的一些lbs方面营销案例,各位如果对lbs感兴趣,可以关注下面这些分享案例的微博,也欢迎大家继续分享这方面的优秀案例. @Hawk-yin:《波斯王子》是游戏界一个非常响亮的名字. 掏出你的手机,用GPRS定位到其海报灯箱前. 你会发现神秘美丽的塔米娜公主出现在你的屏幕上,如果你可以答对她所提出的问题,你将赢得在movieminutes.com上50分钟的电影观看权.